Astaraki

شبكه هاي عصبي و الگوريتم هاي ژنتيك در تجارت

دكتر حميد رضا جعفريه
نگارمعتمدي
الهه ملايي

چكيده

در عصر حاضر در بسياري از موارد ماشين ها جايگزين انسانها شده اند و بسياري از كارهاي فيزيكي كه در گذشته توسط انسانها انجام مي گرفت امروزه توسط ماشين ها صورت مي گيرد . اگرچه قدرت كامپيوترها در ذخيره، بازيابي اطلاعات و اتوماسيون اداري ،..... غير قابل انكار است، اما همچنان مواردي وجود دارد كه انسان ناچار است خودش كارها را انجام دهد. اما به طور كلي ، موارد مرتبط با ماشين شامل سيستم هايي است كه در آن به علت ارتباطات پيچيده بين اجزا، مغز انسان از درك رياضي اين ارتباطات قاصر است . مغز انسان به مرور زمان با مشاهده توالي رفتارهاي سيستم و گاه آزمايش نتيجه اي كه بر اثر دستكاري يكي از اجزاي سيستم به دست مي آيد تا حدي مي تواند عادتهاي سيستم را شناسايي كند . اين روند يادگيري بر اثر مشاهده مثالهاي متنوع از سيستم ، به كسب تجربه منجر مي شود. در چنين سيستم‌هايي مغز قادر به تجزيه و تحليل داخلي سيستم نيست و تنها با توجه به رفتارهاي خارجي، عملكرد داخلي سيستم را تخمين مي زند و عكس العملهاي آن را پيش بيني مي كند.
چگونگي اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصميم گيري ، از موضوعات بحث برانگيز در عصرحاضر است. يكي از مسائل مهم تحقيقاتي در زمينه علوم كامپيوتر، پياده سازي مدلي شبيه به سيستم داخلي مغز انسان براي تجزيه و تحليل سيستم هاي مختلف بر اساس تجربه است .در اين راستا شبكه هاي عصبي يكي از پوياترين حوزه‌هاي تحقيق در دوران معاصر هستند كه افراد متعددي از رشته هاي گوناگون علمي را به خود جلب كرده است .استفاده از شبكه‌هاي عصبي و الگوريتم هاي ژنتيك در حل مسائل پيچيده كاربردي اين روزها بيش از بيش رواج يافته است . در اين مقاله پس از معرفي اجمالي شبكه هاي عصبي و الگوريتم هاي ژنتيك، ارتباط وسهم آن ها در تصميم گيري در حوزه تجارت وكسب وكار مورد بررسي قرارگرفته است .

مقدمه
توجه به كاربرد تكنيك هاي هوش مصنوعي و ابزارهاي مدل سازي در حوزه كسب و كار به طور فزاينده اي در حال افزايش است. در اين راستا سيستم هاي خبره جايگاه ويژه اي يافته اند. در چند دهه گذشته دو عنوان شبكه هاي عصبي و الگوريتم هاي ژنتيك از موضوعاتي بوده اند كه توجه بسياري از دانشگاهيان را به خود جلب كرده اند . اين دو به عنوان ابزاري نيرومند در حل مسائلي كه ديگر توسط متدلوژي ها و روش هاي سنتي گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. اين روزها استفاده از آنها به زندگي اجتماعي ما نيز تسري يافته تا جايي كه كاربرد آنها در تصميم گيري ها نقش حياتي يافته است . اين مقاله شواهدي را مبتني برامكان استفاده اخلاقي از شبكه هاي عصبي و الگوريتم ها ي ژنتيك كه به منجر به تصميم گيريهاي موفقيت آميز در ارتباط با مسائل مرتبط با كسب و كار مي شود ارائه مي كند . براي اين منظور لازم است كه بررسي تطبيقي اي در رابطه با تلاشهاي ديگر محققان در قالب ادبيات موضوع صورت گيرد . به همين دليل ، در تحقيق ما بر نقش محققان عملياتي در حوزه كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك تأكيد شده است . همچنين در كنار ايجاد چنين پايگاهي براي محققان ، به سوالات اساسي زير نيز پاسخ داده شده است :
-1 آيا كاربردهاي سيستم هاي مبتني بر هوش مصنوعي مي تواند از فرايندهاي تصميم گيري شركت شما پشتيباني كند ؟
-2 آيا اسناد ودلايل و مدارك معتبري براي اثبات اين ادعا وجود دارد ؟
-3 آيا اينها تنها يك تئوري و ايده دانشگاهي است يا داراي قابليت كاربرد و تعميم نيز هست؟
به عبارت ديگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سيستم هاي خبره در كسب و كار، نويسندگان و محققان در آرزوي دستيابي به فرصتي جهت بحث مقايسه اي در باره اين سه متدلوژي هوشمند هستند (متاكسيوس و پساراس 2003 ) . يكي از مهم ترين و بحث‌برانگيزترين تحقيقات ، بررسي صورت گرفته توسط لايبوتز (2001) است كه نتيجه آن تحت عنوان «سيستمهاي خبره و كاربرد آنها» مطرح شد.
ساختار اين مقاله به صورت زير است‌: در ابتدا مروري بر پايه و اساس شبكه هاي عصبي و الگوريتم هاي ژنتيك خواهيم داشت و سپس به بازنگري جامعي بر كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك در حوزه كسب و كار خواهيم پرداخت و نهايتا آن را با نتايج و پيشنهاداتي براي تحقيقات كاربردي آينده به پايان خواهيم رساند .

فناوري شبكه عصبي
شبكه هاي عصبي يك تكنيك پردازش اطلاعات مبتني بر روش سيستم هاي عصبي بيولوژيكي مانند مغز و پردازش اطلاعات است. مفهوم بنيادي شبكه هاي عصبي ، ساختار سيستم پردازش اطلاعات است كه از تعداد زيادي واحدهاي پردازشي (نورون‌) مرتبط با شبكه ها تشكيل شده اند‌. سلول عصبي بيولوژيكي يا نورون، واحد سازنده سيستم عصبي در انسان است. يك نورون ازبخشهاي اصلي زير تشكيل شده است :
1) بدنه سلولي كه هسته در آن است و ساير قسمتهاي سلولي از آن منشأ گرفته است.
2) هسته
3) آكسون كه وظيفه آن انتقال اطلاعات از سلول عصبي است.
4) دندريت كه وظيفه آن انتقال اطلاعات از سلول هاي ديگر به سلول عصبي است
يك سيستم شبكه عصبي از تكنيك‌هاي مورد استفاده انسان در يادگيري از طريق استناد به مثالهايي از حل مسائل استفاده مي‌كند (هايكين ،1994 ) . هر نورون وروديهاي متعددي را پذيراست كه با يكديگر به طريقي جمع مي شوند . اگر در يك لحظه تعداد ورودي هاي فعال نرون به حد كفايت برسد نرون نيز فعال شده و آتش مي كند . در غير اين‌صورت نورون به صورت غير فعال و آرام باقي مي ماند .فعاليت هر نورون از مجموعه اي از يك يا چند ورودي ، عمليات و وظيفه خروجي براي محاسبه خروجيهايش تشكيل شده است . عملكرد اساسي اين مدل مبتني بر جمع كردن وروديها و به دنبال آن به وجود آمدن يك خروجي است . وروديهاي نورون از طريق دندريت ها كه به خروجي نورون هاي ديگر از طريق سيناپس متصل شده اند وارد مي شوند . بدنه سلولي كليه اين وروديها را دريافت مي كند و چنانچه جمع اين مقاديراز مقداري كه به آن آستانه گفته مي شود بيشتر شود در اصطلاح بر انگيخته شده يا آتش مي كند و درغير اين صورت خروجي نورون روشن يا خاموش خواهد شد. مدل پايه اي نورون به صورت شكل 1 تعريف مي گردد .



امروزه شبكه هاي عصبي در كاربردهاي مختلفي از قبيل طبقه بندي داده ها و تشخيص الگو از طريق فرايند يادگيري كه خود شامل مسائلي مانند تشخيص خط و شناسايي گفتار وپردازش تصوير است به كار مي روند .به مثابه سيستم هاي بيولوژيكي ، آموزش شامل تنظيم پيوندهاي بين سيناپس‌ها كه درهر نورون وجود دارند است. به عبارت ديگر‌، اطلاعات آموخته شده به شكل ارزشهاي عددي به‌نام «وزن» كه به هر واحد پردازش شبكه اختصاص داده مي‌شود ، ذخيره مي شوند .به طور كلي ، شبكه هاي عصبي مي توانند بين :
روشهاي اتصال نورون ها، انواع روشهاي ويژه محاسبه عمليات نورون ها، روش انتقال الگوي عمليات از خلال شبكه و روشهاي يادگيري آنها كه شامل نرخ يادگيري است، تمايز قائل شوند . با در نظر گرفتن ارتباطات بين نورون ها ، مي توان بين شبكه هاي لايه دار و بدون لايه تمايز قايل شد . شبكه هاي لايه دار گروهي ازنورون ها هستند كه در لايه هايي مجتمع گرديده اند كه بين لايه ورودي و خروجي - كه تنها پيوند خارجي دارند - يك يا چند لايه پنهان وجود دارد . داده هاي ورودي از لايه ورودي به وسيله لايه هاي پنهان (لايه مياني ) به لايه خروجي منتقل مي‌شوند . سيگنالها ي جاري در شبكه هاي لايه دار به سمت جلو حركت مي كنند كه در اصطلاح فني به آنها پيش خور گفته مي شود در حالي كه شبكه هاي بدون لايه داراي گره هاي اضافي بازخور هستند كه از تقسيمات درست لايه ها جلوگيري مي كنند .
ساختار پيوندها و تماسها و تعداد لايه‌ها و نورون ها تعيين كننده معماري شبكه است كه بايستي قبل از استفاده از شبكه‌هاي عصبي تنظيم شود . همان طور كه در شكل 2 نمايش داده شده است ، اگرچه در موارد مشخصي مي توان با موفقيت از شبكه هاي عصبي تك لايه استفاده كرد اما رسم بر اين است كه شبكه هاي عصبي حداقل داراي 3 لايه باشند ( لايه ورودي ،لايه پنهان يا لايه مياني و لايه خروجي ) .
قبل از آنكه شبكه آموزش داده شود‌، اوزان اختصاصي كوچك و به صورت تصادفي ارزش گذاري مي شوند . در خلال روند آموزش ، اوزان شبكه به شكل تدريجي تعديل مي شود تا جايي كه محرز شود كه كاملاً روابط فرا گرفته شده است . اين شكل از يادگيري ، يادگيري با سرپرست ناميده مي شود . وقتي يك الگو در لايه ورودي به‌كار گرفته مي شود تا آن جا جلو مي رود كه ستانده نهايي در لايه خروجي محاسبه شود . ستانده شبكه با نتايج مطلوب مورد انتظار مدل مقايسه و خطاهاي موجود محاسبه مي‌شود .اين خطاها مجدداً به عنوان بازخورد به شبكه بازمي گردد تا تغييرات لازم در اوزان پيوندها براي كاهش خطا صورت گيرد .مجموعه اي از مثالهاي آموزشي داده _ ستانده مكرراً ارائه مي شود. تا جايي كه مجموع امتيازات خطا به سطح قابل قبولي كاهش يابد . در اين جايگاه م‌ توان آن شبكه را به عنوان شبكه اي آموزش ديده در نظر گرفت . اما در روش ديگري كه يادگيري بدون سرپرست ناميده مي شود‌، شبكه عصبي بايد بدون كمك گرفتن از جهان ، بتوانند كار آموزش را انجام دهد . واقعيت آن است كه در عمل ازروش يادگيري باسرپرست و يا حداكثر از روشهاي تركيبي استفاده مي شود و فرايند آموزش بدون سرپرست به شكل خالص تنها وعده‌اي است كه شايد بتواند در آينده تحقق يابد . در حال حاضر و در كاربردهاي پيشرفته ، از روش آموزش بدون سرپرست براي ايجاد تنظيمات اوليه برروي سيگنال هاي ورودي شبكه هاي عصبي استفاده مي شود و باقي مراحل آموزش به روش با سرپرست ادامه مي يابد .



حوزه هاي كاربردي شبكه هاي عصبي در موضوعات زير است:
_ همبستگي ناشناخته بين ويژگيهاي مطلوب و ارزش متغيرهاي مسائل تصميم گيري (‌جايي كه راه حل مسائل ناشناخته است )
_ مسائلي كه داراي راه حل الگوريتم نيستند
_ جايي كه داده هاي ناقص وجود دارد
مزيت اصلي شبكه هاي عصبي ، قابليت فوق العاده آنها در يادگيري و نيز پايداري شان در مقابل اغتشاشات ناچيز ورودي است ( فاوست ، 1994) .به عنوان مثال اگر از روشهاي عادي براي تشخيص دستخط يك انسان استفاده كنيم ممكن است در اثر كمي لرزش دست ، اين روشها به تشخيص غلطي برسند در حالي كه يك شبكه عصبي كه به صورت مناسب آموزش داده شده است حتي در صورت چنين اغتشاشي نيز به پاسخ درست خواهد رسيد .
درنتيجه ، تاكيد ما بر اين حقيقت است كه انتخاب شبكه درست با محاسبات صحيح، عامل اصلي در تضمين موفقيت عملكرد است .
فناوري الگوريتم ژنتيك
الگوريتم هاي ژنتيك روش قدرتمندي را براي توسعه اكتشافي مسائل بهينه سازي تركيبي مقياس بزرگ فراهم آورده است . انگيزه اصلي مطرح كردن الگوريتم ژنتيك مي تواند اين گونه عنوان شودكه «تكامل تدريجي» به شكل قابل ملاحظه اي در توسعه انواع وگونه هاي پيچيده از طريق مكانيزم هاي نسبتاً ساده تكميلي نمود يافته است . حال سوال اساسي اين است : پذيرش كدام ايده از تئوري تكامل تدريجي مي تواند به ما در حل مسائل اين قلمرو كمك كند ؟ اين سوال با توجه به غناي پديده تكامل تدريجي جوابهاي متفاوتي دارد. هالند و دي جانگ (1975) از نخستين كساني هستندكه با معرفي مفهوم الگوريتم ژنتيك به عنوان يك تكنيك جستجوي عمومي - كه از تكامل تدريجي بيولوژيك در قالب بقاي افراد اصلح و مبادله ساختارمند و تصادفي اطلاعات الگوبرداري مي كند- درصدد پاسخگويي به اين سوال برآمدند .
يك الگوريتم ژنتيك مسئله را به صورت مجموعه اي از رشته ها كه شامل ذرات ريزهستند كد گذاري مي كند ، سپس براي تحريك فرايند تكامل تدريجي ،تغييراتي را بر روي رشته ها ا عمال مي‌دارد. در مقايسه با الگوريتم هاي جستجوي محلي ، در جستجوي عمومي كه تنها يك راه حل قابل قبول وجود دارد ، الگوريتم هاي ژنتيك جامعه اي از افراد را در نظر مي‌گيرند . كـــار با مجموعه اي از افراد، امكان مطالعه ساختارها و ويژگيهاي اصلي افراد متفاوت را كه منجر به شناسايي و كشف راه حلهاي كارآمد تر مي شود، فراهم مي‌سازد . در طي مطالعه ، الگوريتم ژنتيك رشته هاي متناسب با ارزش را برمي گزيند و آن دسته از رشته‌هايي را كه تنــاسب كمتري با جمعيت مورد بررسي دارند حذف مي‌كنند .

مروري بر كاربردهاي تجاري
بعد از مروري بر پيشينه شبكه هاي عصبي و الگوريتم هاي ژنتيك و پيشرفتهاي آنها ، مي توان حوزه هاي كاربردي آنها را در كسب و كار شناسايي كرد. بنابر اين در اين قسمت به بررسي انواع مسائل تجاري كه به شكلي مناسب به‌وسيله شبكه هاي عصبي و الگوريتم هاي ژنتيك قابل حل خواهند بود ، مي پردازيم . اما قبل از آن توضيحي مختصر در ارتباط با موضوعات مرتبط با اين حوزه خواهيم داد .

بازاريابي
«انجمن بازاريابي آمريكا» از ديدگاه مديريتي، بازاريابي را بدين گونه تعريف مي كند : بازاريابي يك فرايند اجتماعي و مديريتي است كه به‌وسيله آن، افراد و گروهها ، نيازها و خواسته ها ي خود را از طريق توليد ، عرضه و مبادله كالاهاي مفيد و با ارزش با ديگران ، تأمين مي كنند . به طور كلي ، بازاريابي دانشي ناشناخته است كه با ويژگيهايي از قبيل عدم اطمينان بالا ، ساختار گمشده علّـي ودانشي ناكامل و گسترده قابل شناسايي است .بسياري از وظايف تصميم گيري و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام مي شود . به همين دلايل توسعه كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك در بازاريابي نسبت به ساير حوزه هاي علم دشوارتر است .
در سال 1991 ، كاري و ماتين هو به بحث در رابطه با نقش هوش مصنوعي در بازاريابي پرداختند و جايگاه يابي رقابتي را به‌وسيله متدلوژي هدف گرا مورد تجزيه و تحليل قرار دادند . اليس و همكارانش در سال 1991 گزارشي از پيشرفتهاي كاربرد مدل هاي شبكه عصبي در مواجهه با استراتژي قيمت گذاري كششي ارائه كردند در حالي‌كه پراكتر در سال 1992 چگونگي كاربرد تكنولوژي شبكه هاي عصبي در يادگيري مدل هاي داده بازاريابي و نقش آنها را در ساختن سيستم هاي پشتيباني از تصميمات بازاريابي به نمايش گذاشت . در سال 1993 كاري و ماتين هو از تكنولوژي شبكه هاي عصبي در مدل سازي واكنش مصرف كننده به محرك تبليغات استفاده كردند . راي و همكارانش در سال 1994 شبكه هاي عصبي را در كمّي سازي فاكتورهاي موثر در كيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند . براي اين منظور شبكه اي با دو عنصر خروجي كيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودي ( گرايش فروش فروشنده ، مشتري گرايي ، تخصص، اخلاقيات ، و دوام روابط ) شكل گرفت . در مقايسه با رگرسيون هاي چند متغيره، تكنيك شبكه هاي عصبي به نتايج آماري قابل قبول تري دست يافت .
از سوي ديگر ، هارلي و همكاران (1994) استفاده از الگوريتم هاي ژنتيك را در حل مسائل بهينه سازي بازاريابي مورد آزمايش قرار دادند . بر اساس مطالعه آنها ، كاربردهاي بالقوه الگوريتم هاي ژنتيك در بازاريابي مي تواند شامل موارد زير باشد :
1) رفتار مصرف كننده
_ يادگيري مدل هاي انتخاب مصرف كننده
_ پردازش اطلاعات مصرف كننده
_ تاثير گروههاي مرجع

2) بخش بندي،انتخاب بازار هدف، جايگاه يابي
_ بهينه سازي ساختارهاي محصول – بازار
_ تجزيه و تحليل فاكتورهاي كليدي خريد
_ جايگاه يابي محصول

3) مديريت عناصر آميخته بازاريابي
_ بهينه سازي چرخه حيات محصول
_ طراحي محصول
_ استراتژي تبليغات و برنامه ريزي رسانه‌اي
_ مديريت فروش
گرين و اسميت (1987) يك سيستم ژنتيك را براي يادگيري مدل هاي انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992 ) چارچوبي مفهومي را در پيوند مفاهيم بازاريابي با مكانيزم تكامل تدريجي داروين ارائه كردند . در سال 1992 بالاك ريشمن و جاكوب يك الگوريتم ژنتيك مبتني بر سيستم پشتيباني از تصميم گيري براي طراحي محصول ارائه كردند . از سوي ديگرو در حركتي نوين وناگوپال و بيتز (1994) ازاشتراك شبكه هاي عصبي و تكنيكهاي آماري در تحقيقات بازاريابي استفاده كردند. درنهايت ، مي توان گزارشي از پيشرفتهاي موجود در اين زمينه رابه شكل زير ارائه كرد :
_ STRATEX _ يك سيستم دانشي با هدف پشتيباني از انتخاب بخشهاي بازار (بورچ و هارتويگسن ، 1991)
_ ADDUCE _ سيستمي در توجيه واكنش مصرف كننده به تبليغات (بارك ، 1991)
_ COMSTRAT _ سيستمي براي تصميمات استراتژيك بازاريابي با تاكيد ويژه بر جايگـاه يابي رقابتي ( ماتين هو و همكاران 1993‌)
_ MARSTRA _ سيستم هوش شبكه اي براي توسعه استراتژي هاي بازاريابي و ارزيابي فاكتورهاي بازاريابي استراتژيك (‌لي، 2000)
_ GLOSTRA _ سيستم هوش شبكه اي براي توسعه و بهبود استراتژي هاي بازاريابي جهاني و بازاريابي اينترنتي ( لي و ديويس‌، 2001 )



بانكداري و حوزه هاي مالي
از كاربردهاي مهم و مطرح شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و حوزه مسائل مالي مي توان به اين موارد اشاره كرد : كاربردهاي اعتباري ، تجزيه و تحليل هاي مالي ، سرمايه گذاري مالي ، و تجزيه و تحليل بازار مبادله سهام . محققان بسياري به بررسي كاربردهاي شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و مالي پرداخته اند . ازآن جمله ، در سال 1993 ، تفتي و نيكبخت به بحث در ارتباط با استفاده از شبكه هاي عصبي توسط سازمانها وشركتهاي مالي در جهت اهداف متفاوت امتيازبندي اعتباري پرداختند .تان و دي هاردجو (2001) از طريق افزايش زمان و دوره پيش بيني مدل به توسعه يك تحقيق ابتدايي در استفاده از شبكه هاي عصبي براي پيش بيني استرس هاي مالي در اتحاديه هاي اعتباري استراليا پرداختند . دستاورد حاصل شده در مقايسه با نتايج به دست آمده از متوسط انحراف از ميانگين، نتايج قابل قبولي بود . همچنين ديويس و همكاران نيز در 1996 به بررسي نگرشهاي سيستم‌هاي خودپرداز براساس تجزيه و تحليل شبكه‌هاي عصبي پرداختند .
ازسوي ديگر، شناسايي كاربردهاي متنوع الگوريتم هاي ژنتيك از سوي افراد مختلف به صورت زير ارائه شده است : انتخاب استراتژي هاي بازار انحصاري چند جانبه ( ماركز ، 1989 ) ، توسعه استراتژي‌هاي سرمايه گذاري مالي (باور‌‌، 1994 ) ،جستجو براي يافتن قوانين تكنيكي براي اعمال آنها در بازارسرمايه ( كارجالايننن‌، 1994 ) ، تجزيه و تحليل ريسك در بانكداري ( وارتو ،1998 ) . علاوه بر اين، در سال 1999 كارجالايننن و آلن از الگوريتم‌هاي ژنتيك در پيدا كردن قوانين تكنيكي تجاري استفاده كردند. در همين زمان نيز آندرا و همكارانش (1999) از الگوريتم هاي ژنتيك در تجــزيه و تحليل فني در بازار سهام مادريد استفاده كردند .
از ديگر سيستمهاي مالي مبتني بر شبكه‌هاي عصبي و الگوريتم هاي ژنتيك مي توان به موارد زير اشاره كرد :
_ KABAL _ سيستم دانشي براي تجزيه و تحليل مالي در بانكداري (هارت ويگسن ، 1990 )
_ CREDEX _ سيستمي براي ارزيابي اعتبارات ( پينسون ، 1990 )
_ FINEVA _ سيستم دانشي چند معياري پشتيباني از تصميم گيري براي ارزيابي عملكرد و قابليت حيات شركت ( زوپوني ديس ، 1996 )
پيش بيني
پيش بيني يكي از قديمي ترين فعاليتها و وظايف مديريت وتجارت بوده است . درروزگاران قديم نمونه هايي از پيشگوييها و پيش بيني ها وجود دارد . به طور كلي ، مديري را مي توان موفق دانست كه از قوه تجسم بالايي در تصميم گيري و قضاوت برخوردار باشد . تجربه ، به انسان در پيش بيني آينده وانتخاب تصميم درست و دادن رأي صحيح كمك مي كند. روش هاي هوش مصنوعي توانايي بالايي را درپيش بيني و ارائه عملكرد بهتر در مواجهه بامسائل غيرخطي و ساير مشكلات مدل سازي سري هاي زماني نشان داده اند .رحمان و بهتنگار (1998 ) يك سيستم خبره را براي پيش بيني كوتاه مدت طراحي كردند‌، اين درحالي است كه چيو (1997) يك شبكه عصبي را در تركيب با سيستم خبره قانونمند براي همين منظور در تايوان مورد استفاده قرار داد . همچنين تحقيقات كانلن و جيمز (1998) نشان دادكه مي توان بين خصيصه هاي داراييهاي اقتصادي و ارزش داراييهاي تجاري در يك بازار خاص پيوند برقرار كرد و به مدل ارزش گذاري اي رسيد كه به پيش بيني كوتاه مدت نوسانات ارزش گذاري دراستفاده از شبكه‌هاي عصبي مي‌پردازد‌. درنهايت بررسيهاي انجام شده نشان مي‌دهد كه در اين حوزه بيشتر بر كاربرد شبكه هاي عصبي كار شده است تا الگوريتم هاي ژنتيك‌.

ساير حوزه هاي تجاري
تا اينجا درباره كاربردهاي مختلف شبكه هاي عصبي و الگوريتم هاي ژنتيك در بخشهاي كليدي تجارت صحبت كرديم : بازاريابي ، بانكداري و مالي ، پيش بيني . قطعاً حوزه هاي ديگري از تجارت و كسب و كارنيز وجود دارد كه در اندازه هاي متفاوت مي توانند از مزاياي استفاده از شبكه هاي عصبي و الگوريتم هاي ژنتيك منتفع شوند . به عنوان مثال مي توان به كاربرد شبكه هاي عصبي در صنعت هتلداري ( لاو ، 1998) ، ارزيابي داراييها (لنك و همكاران 1997 ) و پيش بيني تورم (آيكن ، 1999) اشاره كرد. علاوه بر اين ، كاملاً مشهود است كه بخشهايي ( مانند توليد ، صنايع سنگين ، انرژي ، ساخت و ساز ) وجود دارند كه از نظر ما دور مانده اند .

مزاياي استفاده از اين فناوريهاي هوش مصنوعي
با بررسي اجماعي نظريات و تحقيقات موجود مي توان مزاياي استفاده از فناوريهاي هوش مصنوعي و الگوريتم هاي ژنتيك را در قالب گزاره هاي زير خلاصه كرد :
_ ارائه خدمات بهتر به مشتري
_ تقليل زمان انجام وتكميل وظايف
_ افزايش توليد
_ استفاده اثربخش تر از منابع
_ سازگاري و ثبات بيشتر در تصميم گيري

نتايج
در اين مقاله سعي كرديم با معرفي كاربردهاي شبكه هاي عصبي و الگوريتم هاي ژنتيك در حوزه تجارت و بازرگاني به‌ويژه در محدودة بازاريابي، مالي و بانكداري و پيش بيني ، بعدي جديد از حوزه تجارت وكسب و كار را نمايان كنيم. نتيجه نهايي اين مباحث به تنوع حوزه هاي كاربردي كه بر مزايا و منافع شبكه هاي عصبي و الگوريتم هاي ژنتيك اشاره دارد منتهي مي شود . اين دو تكنولوژي امروزه بيش از بيش به عنوان ابزار تصميم گيري سازمانها مورد استفاده قرار مي گيرند كه البته نتايج حاصل از كاربرد آنها ( همچون تصميمات صحيح ، صرفه جوييهاي زماني ، انعطاف پذيري ، كيفيت بهبود يافته ، آموزش موثر‌) بر محبوبيت آنها افزوده است . اعتقاد ما بر اين است كه در صورت ادغام مناسب اين دو فناوري با ساير فناوريهاي هوشمند (‌مانند سيستم هاي خبره ، عوامل هوشمند ، منطق فازي) و تكنيكهاي تحقيق درعمليات به‌ويژه شبيه سازي مي توان روز به روز بر موارد استفاده آنها در حوزه هاي مختلف افزود و از مزاياي آنها بهره مند شد. بر اساس تحقيق كتابخانه اي انجام شده موارد زير براي تحقيقات آينده پيشنهاد مي شود:
_ بررسي مزاياي استفاده از الگوريتم هاي ژنتيك در بهينه سازي مسائل بازاريابي
_ مقايسه كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك و سيستم هاي خبره براي شناسايي مزايا و ضررهاي هر كدام از اين فناوريها.

منابع

-1 جكسون . تي و بيل . آر . آشنايي با شبكه‌هاي عصبي ، ترجمه دكتر محمود البرزي – تهران : موسسة انتشارات علمي دانشگاه صنعتي شريف ، چاپ دوم ، 1383
-2 كاتلر ، فيليپ . مديريت بازاريابي ، ترجمه بهمن فروزنده – تهران : آتروپات ،1382
-3 قمي ، عليرضا " شبكه هاي عصبي مصنوعي "‌، نشريه دنياي كامپيوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69
-4 سعيدي ، مسعود " شبكه هاي عصبي (2) " ، نشريه شبكه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211
-5 مماني ، حامد ، نرگس پور اصغري حقي و ساعد علي ضمير ، " شبكه هاي عصبي و كاربرد آن در بهينه سازي " ، نشريه صنايع _ شماره 30
-6 نورزاد ، غلامرضا " بيولوژي سلولي مولکولي " ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول

7- Metaxiotis , Kostas & John Psarras (2004) "The Contribution of Neural networks and genetic algoritms to business decision support "Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242

8- Curry , B & L. Moutinho (1993) "Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli "European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20

9- Wray , B , A. palmer & D. Bejou (1994) " Using Neural Network Analysis to evaluate Buyer – Seller Relationships " European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48

10- Venugopal .V & W. Beats ( 1994 ) " Neural networks and Statistical Techniques in marketing research " Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38

11- Davies , F , L . Moutinho & B . Curry (‌‌1996 ) " ATM user attitudes : a neural network analysis " , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!